digilib@itb.ac.id +62 812 2508 8800

Pavement Condition Index (PCI) merupakan parameter kunci dalam mengevaluasi kinerja fungsional dan struktural perkerasan bandar udara, serta menjadi komponen penting dalam sistem manajemen aset perkerasan. Meskipun standar evaluasi PCI mengacu pada metode ASTM D5340, sejumlah tantangan muncul dalam implementasinya di Indonesia, antara lain ketidaksesuaian kurva deduct value terhadap karakteristik lokal, lamanya waktu yang dibutuhkan dalam proses evaluasi, rendahnya akurasi hasil evaluasi akibat penggunaan unit sampel yang kurang representatif, serta tidak tersedianya model prediktif jangka panjang yang dapat mendukung perencanaan pemeliharaan. Keterbatasan ini mengindikasikan perlunya pengembangan metode evaluasi PCI yang lebih efisien, adaptif, dan terintegrasi dengan strategi prediktif. Penelitian ini bertujuan untuk mengembangkan metode evaluasi kondisi perkerasan runway yang lebih relevan dengan kondisi Indonesia serta menyusun model prediksi penurunan PCI secara jangka panjang. Fokus utama penelitian mencakup empat aspek: (1) modifikasi kurva deduct value untuk empat jenis kerusakan dominan, (2) modifikasi ukuran unit sampel, (3) penerapan algoritma jaringan saraf tiruan untuk klasifikasi kerusakan perkerasan, dan (4) pengembangan model prediksi penurunan PCI dengan mempertimbangkan faktor-faktor teknis, beban, dan lingkungan. Modifikasi kurva nilai pengurang dilakukan dengan pendekatan expert judgement yang melibatkan para ahli dari kalangan akademisi, operator bandara, regulator, konsultan, dan kontraktor. Pengujian klasifikasi kerusakan menggunakan metode transfer learning menggunakan arsitektur Convolutional Neural Network (CNN). Adapun pada pengembangan model prediksi penurunan PCI digunakan metode regresi linier multivariabel berbasis data sekunder yang terdiri dari Laporan PCI dan Airport Pavement Management System (APMS) tahun 2019–2023, statistik lalu lintas pesawat udara, dan data suhu udara. Empat variabel utama yang dianalisis meliputi usia perkerasan, akumulasi jumlah pergerakan pesawat, tebal perkerasan, dan suhu udara. Hasil modifikasi kurva nilai pengurang menunjukkan bahwa pada jenis kerusakan pelapukan & pengelupasan agregat serta tambalan, nilai PCI meningkat masingmasing sebesar 10,0% dan 33,1% dibandingkan kurva ASTM. Untuk kerusakan alur dan retak kulit buaya, peningkatan nilai PCI mencapai 11,3% dan 11,6%. Penerapan CNN pada klasifikasi jenis kerusakan menghasilkan akurasi tertinggi sebesar 92,34%. Saat diuji untuk klasifikasi jenis dan tingkat kerusakan sekaligus, akurasi menurun menjadi 51,04%; namun prediksi nilai PCI tetap mendekati hasil manual dengan rata-rata selisih hanya 1–2 poin (R² = 0,61). Model prediksi penurunan PCI yang dikembangkan menunjukkan bahwa usia perkerasan berkontribusi sebesar 78,12%, lalu lintas sebesar 15,14%, dan suhu udara sebesar 8,73%, dengan nilai koefisien determinasi tertinggi (R² = 0,693) pada model yang mempertimbangkan keempat variabel secara simultan. Penelitian ini menunjukkan bahwa pendekatan evaluasi berbasis kerusakan dominan dan segmentasi unit sampel menurut tebal perkerasan mampu meningkatkan akurasi dan efisiensi analisis PCI. Penggunaan CNN mempercepat proses klasifikasi dan mengurangi bias subjektivitas evaluator. Meskipun akurasi klasifikasi tingkat kerusakan masih terbatas, dampaknya terhadap nilai PCI relatif kecil karena hanya memengaruhi pemilihan kurva nilai pengurang. Efisiensi waktu dan biaya lapangan dapat ditingkatkan hingga 18,26% - 33,24%. Secara keseluruhan, metode yang dikembangkan berpotensi menjadi alternatif sistem evaluasi PCI yang lebih responsif terhadap kondisi lokal dan mendukung manajemen pemeliharaan perkerasan bandar udara secara berkelanjutan.